Detección de cambios en imágenes satelitales 1. Estado

Detección de cambios en imágenes satelitales
1. Estado del arte
La detección de cambios a partir de una secuencia multi-temporal de imágenes de satélite es
unas de las aplicaciones más importantes en percepción remota y en sistemas de información
geográficas. El análisis de esta secuencia permite el seguimiento de procesos dinámicos en la
tierra ya que las imágenes son obtenidas de sensores desde una órbita estable permitiendo
acceso a imágenes repetitivas de la misma zona. Los cambios pueden deberse a diversos
factores, desde desastres naturales o eventos climáticos extremos hasta políticas públicas o
económicas. Identificar estos cambios es un proceso que requiere de una adecuada
manipulación de las imágenes y manejo de los algoritmos de procesamiento de imágenes y
de clasificaciones, de manera que los cambios detectados sólo sean atribuibles a verdaderas
modificaciones del paisaje.
Se deben considerar diversas etapas ya que tienen impacto significativo en los resultados:
Adquisición de imágenes, correcciones de datos, clasificaciones, adaptación a casos de
estudio.
1.1.Adquisición de imágenes
Una selección apropiada de la fechas de adquisición de imágenes es crucial en los métodos
de detección de cambio así como la elección de los sensores, categorías de cambio, y los
algoritmos (Coppin y Bauer, 1996, COPPIN et al. 2004). Dos puntos se presentan: las fechas
de adquisición y la longitud de intervalo del cambio o resolución temporal. Fechas aniversarios
son siempre usadas con el objetivo de minimizar discrepancia en reflectancia causada por el
cambio estacional de la vegetación, y la diferencia del ángulo del sol (no uniformidad en
condición de iluminación). No obstante, incluso con fechas aniversarios, disparidad fenológica
se presenta como un problema real. Unos trabajos han analizado las diferentes trayectorias
temporales para encontrar las fechas óptimas por la detección de cambios. Se han reportado
que para la detección de cambio en zonas forestal, el verano y el invierno son las mejores
temporadas por sus estabilidades fenológica. La importancia de una buena elección de la
fecha de adquisición depende de la temática que se investiga. La resolución temporal es muy
variada y depende principalmente del dinamismo del proceso. Puede ser horas como en el
caso de seguimiento de un huracán o un incendio, hasta meses o años en desertificación o
crecimiento urbano.
Los imágenes mutitemporales pueden ser obtenidos por diferentes sensores que sean activos
o pasivos. Los sensores pasivos u ópticos son aquellos que trabajan en las longitudes de
onda visibles. Los sensores activos o de radar son los que proveen su propia fuente de
iluminación. Estos últimos son más utilizados cuando se trata de zonas con cuberturas de
nubes. Los diferentes sensores tienen diferentes características espaciales, temporales,
espectrales y radiométricas. La elección de un sensor apropiado es determinada por 4
factores (Xie et al., 2008): 1) objetivo del estudio (lo que se va mapear, la precisión requerida).
2 el costo de las imágenes, 3 las condiciones climáticas, 4) el resultado de la interpretación
que depende de la calidad de la imagen, de su procesamiento.
1 1.2.Preprocesamiento de datos
La detección de cambios está basada sobre comparación de imágenes multitemporales. Para
que estas imágenes sean comparables entre ellas.
Las imágenes deben de aparecer
tomadas con el mismo sensor y las mismas condiciones. Lo que se necesita correcciones
geométricas por la compatibilidad espaciales y correcciones radiométricas por la
compatibilidad espectral. Otras series de operaciones son ocasionalmente empleados:
remplazo de líneas defectuosas, realce de los valores de la imagen, enmascarado de zonas
sin interés. No siempre se emplean todas estas correcciones, cuando las imágenes vienen
con diferentes niveles de correcciones de las agencias de distribución de las imágenes
satelitales. Las correcciones radiométricas hacen que los cambios detectados son reales y no
son artefactos.
Varios trabajos se han desarrollado para las correcciones radiométricas (Coppin and Bauer,
1996, Xie et al., 2008). Los métodos se clasifican entre 2 tipos: absoluta y relativa. Las
correcciones absolutas, técnicas más complejas, son basadas en la extracción de la
reflectancia absoluta a partir de calibraciones del sensor y de las propiedades de la atmosfera.
Las correcciones relativas son realizadas mediante un ajuste de la reflectancia, encontrando
elementos con valor de aproximadamente constante en las diferentes imágenes
multitemporales.
Los métodos de correcciones geométricas son adoptados, en general, de los métodos de
procesamiento de imágenes digitales y se aplican sobre imágenes ya transformada en algún
sistema de proyección tal como la proyección Universal Transverse Mercator o Lambert. A
partir de unos puntos de control, se busca una función de corrección (Parker, 1993). Con una
aproximación por polinomios u otra función, se puede encontrar los parámetros de esta
función mediante las técnicas de resolución de sistemas de ecuaciones. El numero de los
puntos así que los parámetros dependen del orden de la función usada. Una recopilación de
los diferentes modelos matemáticos que se emplean actualmente se encuentra el trabajo de
Toutin (2004).
1.3.Detección de cambios
Los métodos de detección de cambios que han sido aplicados se basan en los acercamientos
relacionados con el procesamiento de imágenes digitales y reconocimiento de patrones. Se
aplican técnicas desde el realce de contornos y encuentro de un umbral hasta redes neuronal
y la lógica difusa. Un estudio amplio de las técnicas usadas aparece en la literatura con una
breve descripción de cada técnica (Coppin y Bauer, 1996, Coppin et al. 2004). Una larga
variedad de algoritmos se pueden resumir en dos categorías (Chuvieco, 1998). En la primera
categoría se consideran las operaciones matemáticas que se aplican directamente en las
imágenes temporales para lograr el cambio, resulta una imagen que indica el grado de cambio
en una escala gradual. En este caso se presenta el problema de encontrar el umbral que
caracteriza el cambio. En la segunda categoría, se consideran técnicas de clasificación previa
en cada imagen. Se trata de delimitar los cambios por clasificación, se puede distinguir dos
acercamientos: 1) Discriminar las clases en cada imagen y luego compararlas o bien, 2)
Clasificar las imágenes temporales simultáneamente.
Los algoritmos de clasificación son las que manipulan la detección del cambio en esta
segunda técnica. Supervisado o no supervisado, la clasificación se puede llevar a cabo según
2 diferentes enfoques (Lu y Weng, 2007). El manejo del elevado número de datos que
proporciona la percepción remota hace de las técnicas estadísticas de reconocimiento de
patrones un buen acercamiento para clasificar las imágenes (Chen y Ho, 2008). Estos autores
han concluido que el beneficio que se puede lograr con estas técnicas no se ha alcanzado
todavía al nivel que han llegado las otras aplicaciones de reconocimiento de patrones. Estas
técnicas tradicionales se detallan en diferentes referencias (Duda y Hart, 1972, Fukunaga,
1990, Jain et al. 2000). La investigación de métodos de clasificación y de detección del
cambio sigue siendo un asunto activo y las nuevas técnicas son necesarias para utilizar
eficazmente los datos cada vez más diversos y complejos disponibles. El objetivo que se
pretende alcanzar en el fin de este proyecto es desarrollar una metodología eficaz para
detectar los cambios en imágenes de satélite.
2. Primera etapa
Se distinguen tres etapas principales, necesarias para llevar a cabo este proyecto:
1) El procesamiento previo al análisis temporal, 2) El análisis conducente a la detección de
cambios et 3) Adaptación de la metodología a diferentes casos de estudio.
El procesamiento previo al análisis temporal representa la primera etapa de este proyecto. Se
realizaron las actividades de esta etapa de la manera que fueron programadas.
2.1.Elección de datos
Las imágenes satelitales son adquiridas con diversos sensores instalados en plataformas
satelitales que van de mutiespectrales hasta hiperespectrales, con longitud de onda que se
extendían del visible hasta las microondas. Un gran diversidad de estas imágenes radica en la
resolución espacial que va del centímetro hasta el kilometro, asi como en la resolución
temporal que se extiende de 30 minutos hasta semanas o meses. La lista de las plataformas
no se sabe con precisión ya que algunos son parte de la seguridad nacional de algunos
países. Los sistemas más conocidos son los siguientes: Landsat, Spot, Ikonos, Radarsat, Ers,
Quickbird, Orbview, Geos, Noaa, Eos y Irs. La elección de un tipo Imágenes entre otros, en
este proyecto, está justificado con los siguientes puntos: disponibilidad gratuita, disponibilidad
de secuencias multitemporales, el gran campo de aplicación, amplia rango de la resolución
temporal así que la diversidad de las características de los sensores. Por estas
particularidades se eligió las imágenes de Landsat donde se pueden conseguir desde la
siguiente ligua: http://glovis.usgs.gov/. Las especificaciones de imágenes de Landsat se
pueden encontrar en la siguiente referencia (Nasa, 2009)
2.2.Tipo de aplicación
Diversos temas han recibido una importante atención al nivel nacional como al nivel
internacional como la deforestación por el papel que tiene en el cambio global y la pérdida de
biodiversidad, uso del suelo, erupciones volcánicas, incendios, inundación, seguimiento de
huracanes, aplicaciones ambientales, crecimiento urbano, etc. Uno o varios de estos temas se
van a presentarse como casos de estudios en este proyecto. Las zonas de estudio depende
del tema de estudio: por ejemplo el estado de Campeche en el sureste de México podría ser
un buen ejemplo de deforestación (Mas, 1999).
3 2.3.Corrección geométrica
Este proceso conlleva la transformación de las coordenadas de los píxeles de una imagen
para que coincidan de manera precisa con las de la segunda imagen de referencia. Mediante
una transformación polinomial de segundo grado que se obtiene a partir de un conjunto de
pares de puntos de control de ambas imágenes.
Estos puntos deben de ser un número suficiente, lo más precisos posible y uniformemente
distribuidos por toda la imagen. El número mínimo de los puntos de control por un polinomio
de orden t debe de ser igual a: ((t+1)(t+ 2))/2.
los niveles de gris de los píxeles en la nueva imagen corregida son obtenidas a partir de una
interpolación cúbica que toma en cuenta el valor de los 16 vecinos. Este procedimiento de
interpolación, aunque más costoso computacionalmente que otros (vecino más próximo o
interpolación lineal) produce una mejor estimación del nivel de gris (Press et al., 1992).
2.4.Corrección radiométrica
En percepción remota, cualquier superficie capturada en las diferentes imágenes
mutitemporales, donde no hay cambio real, debería aparecer con los mismos valores de
reflectancia o nivel de gris. Las diferentes condiciones atmosféricas y de iluminación hacen
que estos valores aparecen diferentes por lo que se hace necesaria la corrección radiométrica
de las imágenes. Dos alternativas son posibles: La corrección radiométrica absoluta y la
corrección relativa. La primera se descartó por la complejidad del modelo que requiere de una
multitud de parámetros relativos a la órbita del satélite, las condiciones atmosféricas locales,
variaciones estacionales y geométricas, nubosidad, lluvia, etc.
En general, los algoritmos de corrección relativa son aquellos de procesamiento de imágenes
tales como ajuste o realce de contrastes, transformaciones con las tablas de referencia de
nivel de gris, manipulación de histogramas etc.
Se aplico un algoritmo basado en histograma que consiste en modificar el nivel de gris de un
punto de la imagen a corregir mediante una transformación tal que el histograma de la imagen
resultante presente un histograma similar al de la imagen de referencia (González, 1999).
3.Conclusiones
Es un proyecte recurrente, con una estimación de tres años para finalizar todas las 3 etapas
señaladas arriba en este texto: 1) El procesamiento previo al análisis temporal, 2) El análisis
conducente a la detección de cambios et 3) Adaptación de la metodología a diferentes casos
de estudio.
Se realizaron todas las actividades programadas como primera etapa: Estado del arte,
elección de datos, tipo de aplicación, correcciones geométrica y radiométrica.
Referencias
Chen CH. H., Ho P.-G. P., 2008. Statistical pattern recognition in remote sensing. Pattern
Recognition, 41, 2731 – 2741.
Chuvieco E., 1998. El factor temporal en teledetección: evolución fenomenológica y análisis
de cambios. Revista de teledetección, 10, 1-9.
4 Coppin P. and Bauer M. E., 1996. Change Detection in Forest Ecosystems with Remote
Sensing Digital Imagery, Remote Sensing Reviews, 13:207-234.
Coppin P., Jonckheere I., Nackaerts K., Muys B. And Lambin E. ,2004. Digital change
detection methods in ecosystem monitoring: a review, INT. J. Remote Sensing, 25, 9, 1565–
1596
Duda R., Hart P., 1972. Pattern Classification and Scene Analysis, Wiley, New York.
Fukunaga K., 1990. Introduction to Statistical Pattern Recognition. Academic Press, (2nd ed.).
Gonzalez J., 1999. “Visión por Computador”. ITP Paraninfo.
Jain A. K., Duin R. P.W., Mao J., 2000. Statistical Pattern Recognition: A Review. IEEE
Transactions on Pattern Analysis And Machine Intelligence, 22, 1, 4-37.
Lu D., Weng Q., 2007. A survey of image classification methods and techniques for improving
classification performance, International Journal of Remote Sensing, 28, 5, 823–870.
Mas J.F., 1999. Monitoring Land-cover Changes: A Comparison of Change Detection
Techniques, International Journal of Remote Sensing, 20, 1, 139-152.
Nasa
2009.
An
Introductory
Landsat
Tutorial,
Disponible
https://zulu.ssc.nasa.gov/mrsid/tutorial/Landsat%20Tutorial-V1.html.
en
Internet:
Parker, J. R., 1993. Practical computer vision using C. John wiley & sons, inc.
Press W.H., Brian P., Flannery B.P., Teukolsky S.A. , Vetterling W.T. 1992, Numerical Recipes
in C: The Art of Scientific Computing second edition , Cambridge university Press.
Toutin T., 2004. Review article: Geometric processing of remote sensing images: models,
algorithms and methods, International Journal Remote Sensing, 25, 10, 1893–1924.
Xie Y., Sha Z., and Yu M., 2008. Remote sensing imagery in vegetation mapping: a review.
Journal of Plant Ecology, 1, 1, 9–23.
5